考慮識別魯棒性和虹膜顏色影響的瞳孔精準定位方法

羅亞波,李 鑫

（武漢理工大學機電工程學院，武漢，430070）

人眼是人觀察世界、獲取信息的最主要途徑，同時也反映人的注意力、體現人的生理狀況.瞳孔是人眼中心顏色最深的類圓，其大小受情緒變化、光線強度、生理狀態等影響，因此人因工程對人眼的研究大多集中在瞳孔.瞳孔定位（瞳孔檢測）是指提取瞳孔中心坐標并標記其實際邊界（瞳孔邊界）［1］.準確的瞳孔定位廣泛應用于人因工程、人機交互、心理學、智能駕駛、醫療健康等領域［2］，是注意力分析、凝視跟蹤的前提.而由于應用場景的多元化，檢測設備、背景復雜程度、光照強度等影響圖像質量，導致瞳孔檢測準確率較低，在某些領域無法規?；瘧?此外，主流虹膜顏色有褐色、藍色、綠色，虹膜與瞳孔的對比度不同是影響瞳孔檢測準確率的又一因素.因此，如何準確地檢測瞳孔受到研究界廣泛關注.

形狀結構特征和外觀紋理特征是瞳孔檢測常用的特征，Hough 變換是常用的目標檢測方法，但準確率有限且運算量大.因此張宏薇等［3］提出改進的Hough 變換檢測瞳孔，由于設置了檢測圓的半徑范圍，所以在準確率和檢測速度方面，比僅利用Hough 變換有顯著提升，但不同數據集的規格不同，需要人工設置半徑范圍，算法的自適應性不高，且對圖像分辨率要求較高.Gu et al［4］使用輪廓跟蹤方法提取瞳孔區域，確定區域質心為瞳孔中心，該方法適用于不規則瞳孔的檢測，并且可以滿足實時檢測的要求，但由于使用固定閾值進行二值化，不能適應光照變化，魯棒性較差.宋保全等［5］基于亞像素邊緣的多模板匹配算法定位瞳孔，提取訓練樣本圖像的亞像素邊緣創建匹配模板，使用創建好的模板集合對待測圖像進行匹配，該方法不易受個體差異影響，無需人工調參，具有一定的魯棒性.王鵬等［6］基于近眼紅外圖像，獲取最大連通域后邊緣檢測，利用改進的最小二乘橢圓擬合定位瞳孔中心，可以解決反射光斑干擾以及瞳孔被部分遮擋的問題.Zhou et al［7］基于參數優化，設置三步閾值，二值化圖像后提取瞳孔輪廓，能夠較好地解決瞳孔與背景灰度值接近時定位精度下降的問題.El et al［8］提出帶變形邊緣檢測的霍夫圓變換算法檢測瞳孔，通過多次濾波處理圖像，使用Canny 算子檢測瞳孔邊緣，經過細化去除不滿足曲率的邊緣，能夠較好地去除模糊和噪聲對檢測精度的影響.

目前主流的瞳孔檢測方法是基于深度學習的方 法，Khan et al［9］提出一種深度學習和圖像處理算法相結合的瞳孔定位方法，通過深度神經網絡獲取眼部圖像，在眼圖上利用多級卷積來找到所識別的眼眶內瞳孔的最佳水平和垂直坐標.崔家禮等［10］基于卷積神經網絡，在網絡結構中減少下采樣因子，增加擴張殘差單元，實現復雜場景下的直接人眼檢測.Gdoura et al［11］結合了卷積神經網絡和類似馬爾可夫隨機場的過程，提出一種輕量級的混合模型，能夠在相同的卷積層上運行不同的圖像尺度，在性能提高的基礎上，顯著降低模型大小.盡管使用大量標記瞳孔中心的樣本進行訓練可以獲得較好的結果，但是此類方法訓練耗時，且高質量的數據集有限.此外，深度學習模型在實際應用中涉及模型部署，要解決模型框架兼容性差，所需的環境難以配置的問題，以及深度學習模型的結構通常比較龐大，需要大量的算力才能滿足實時運行的需求，模型的運行效率需要優化的問題.

為了克服虹膜顏色、圖像分辨率、照明、噪聲等對瞳孔定位精度的影響，本文基于由粗到細思想，結合深度學習和圖像處理算法，提出一種適應低分辨率全臉圖像的瞳孔定位新方法.為驗證方法的有效性，在BioID 數據集和GI4E 數據集上進行實驗.創新性地考慮虹膜顏色的影響，自制由低分辨率的深色虹膜人臉圖像組成的數據集并進行實驗，結果表明該方法具有較高的識別魯棒性，且可以有效對抗虹膜顏色變化對定位準確率的影響.由于方法的非接觸性和魯棒性，可廣泛應用于人機交互、殘疾人通信、智能駕駛等方面.

1 瞳孔定位方法描述

所提出的瞳孔定位方法的流程如圖1 所示，首先利用基于深度學習的面部關鍵點檢測方法提取圖像中僅包含眼睛（分為左眼和右眼）的區域，縮小瞳孔定位的范圍，減少下一步自相似性分數和梯度輻射分數的計算量.對截取的圖像進行預處理，減小虹膜或瞳孔上的反射光斑，降低光照對瞳孔定位準確性的影響.其次根據瞳孔的紋理特征和梯度特征，分別計算眼部區域自相似性分數和梯度輻射分數，消除邊緣響應后進行均值濾波處理消除主要由于噪聲引起的異常大的值.最后對梯度輻射分數歸一化以消除不同特征分數之間數量級不同的影響，使不同特征分數對定位結果的作用相等.合并自相似性空間和梯度輻射空間，確定聯合空間數據峰值位置即為瞳孔中心.

圖1 瞳孔定位方法流程Fig.1 Flow diagram of the algorithm

1.1 眼部圖像獲取及處理方法人眼檢測或瞳孔檢測任務的錯誤通常表現為將輸入圖像中背景噪聲或人眉毛、眼角等低像素值區域錯誤地認為是目標區域.然而，利用深度學習算法可以從低分辨率圖像或視頻幀中準確提取面部和眼部區域，可以有效地解決這一問題.

使用預訓練的深度學習模型獲取輸入圖像中的面部圖像，對面部區域進行關鍵點檢測，根據每個眼睛的多個關鍵點的最小橫、縱坐標確定眼睛區域的左邊界和上邊界，根據最大橫、縱坐標確定眼睛區域的右邊界和下邊界，裁剪眼睛圖像以粗定位瞳孔中心可能出現的區域.

關鍵點檢測是通過使用Dlib 庫［12］實現的.使用Dlib 從圖像中提取面部區域，這一操作可以去除圖像中不感興趣區域，消除背景噪聲的影響.在面部區域中檢測68 個關鍵點，如圖2 所示.每個眼睛區域包含眼角及眼瞼共六個關鍵點，根據六個關鍵點橫、縱坐標的最值，確定眼睛區域的邊界，裁剪出眼睛區域圖像用于后續計算，相較于在整個面部區域檢測瞳孔，計算量大大減少.

圖2 面部68 個關鍵點Fig.2 Facial 68 key points

對截取的眼部圖像進行雙邊濾波，過濾圖像中的噪聲，同時可以很好地保護瞳孔及虹膜的邊緣，便于后續計算.形態學開運算能有效去除圖像中孤立的高像素值點，對眼部圖像進行開運算，可有效去除由于照明變化引起的虹膜和瞳孔上小的反射亮斑，提高檢測任務的準確率.在一個面部區域中同時檢測兩個眼部區域的輸入圖像才被視為有效輸入.

1.2 自相似性分數計算方法高分辨率圖像可以清晰觀察到圓形的瞳孔，通過分析外觀紋理特征，可知圓形的瞳孔具有高度徑向自相似性、良好的旋轉不變性和尺度不變性，根據自相似性定位瞳孔可以很好地降低照明和頭部姿態的影響.

自相似性是指圖像局部區域的像素值與經幾何變換后的局部區域的像素值之間存在線性關系.高自相似區域是即使在幾何變換（如旋轉或反射）、尺度、視點或照明條件變化以及在噪聲的情況下也保持其獨特特性的區域［13］.幾何變換前后像素值的線性關系表示為：

其中，P表示半徑為R的圓形區域，x是P中的點，I(x)表示x點的像素值，T表示區域P上定義的幾何變換.為了檢測瞳孔，T僅限于旋轉和反射.

在大多數現實圖像中，區域P中幾乎所有點都不能滿足式（1），因此使用歸一化的相關系數（normalized correlation coefficient，ncc）衡量式（1）的線性關系，以此表示自相似性.如果歸一化相關系數接近1，則認為局部區域具有高自相似性.

其中，i為區域P中點的序號，為區域P中所有點的平均像素值.

根據式（2）計算任意區域在不同幾何變換情況下的歸一化相關系數，以此衡量區域的自相似性.通過極性光柵采樣將圓形區域P轉化為矩形區域P，可以極大簡化式（2）的計算，以N個角度和M個圓采樣.當極性光柵采樣的半徑為rm時，表示區域P自相似性的歸一化相關系數為：

由于輸入圖像中瞳孔的尺度不盡相同，針對不同半徑，根據式（3）得到多尺度自相似性的計算為：

根據式（4），計算輸入圖像眼部區域的自相似性，得到自相似性映射圖.由于自相似性具有較強的邊緣響應，為提高瞳孔定位準確率需消除邊緣響應.差分高斯算子沿著邊緣具有較小的主曲率，垂直邊緣具有較大的主曲率，因此只需比較主曲率比率即可消除邊緣響應.主曲率通過海森矩陣求得，為減少計算量，使用海森矩陣特征值的比例.α，β（α＞β）為海森矩陣兩個特征值，Tr 為矩陣的跡，Det 為矩陣行列式值，設γ=α/β，則：

為了檢測主曲率是否在某個閾值Tr 下，只需檢查比值大小，若滿足式（6）則剔除該點，否則保留.

最后進行均值濾波，消除主要由噪聲引起的異常大的值，相比于高斯濾波既平滑了數據，又減少了計算量，平滑的自相似性映射圖作為第一部分的結果.圖3 為人眼部圖像，其自相似性映射圖及消除邊緣響應的自相似性映射圖示例.為了顯示圖像，將自相似性得分縮放到[0，255]，圖中越亮的點更可能表示瞳孔中心.

圖3 包含人眼(a)、對應的多尺度自相似性(b)及消除邊緣響應的多尺度自相似性(c)的示例Fig.3 A pattern：(a) a human eye，(b) the corresponding multiscale radial saliency，(c) the multiscale radial saliency for eliminating the edge responses

1.3 梯度輻射分數計算方法邊緣紋理特征比較依賴圖像分辨率，當待檢測圖像為低分辨率圖像，真實世界中的高頻區域在圖像中易表現出明顯的鋸齒狀，形狀特征變形，不能勝任高精度的檢測任務.有明顯鋸齒狀邊緣的瞳孔區域自相似性較低，單一使用自相似性定位瞳孔準確率有限，而梯度特征在低分辨率圖像中仍能保持良好，可用于低質量圖像中瞳孔定位.因此，提出梯度輻射分數概念.

第二階段是依靠梯度信息計算眼部圖像的梯度輻射分數.梯度輻射分數是根據圖像梯度計算出的圖像某一像素點與其余所有點的強度關系，在興趣點處計算得到較大的梯度輻射分數，可以依靠梯度輻射分數檢測圖像中興趣點，梯度輻射分數同徑向自相似性特征一樣具有較好的旋轉不變性，可以有效減小頭部姿態對定位準確性的影響.

p(x，y)是輸入圖像上的一點，p′是與p點距離為r的點，即p′(x′，y′)是以點p為圓心，半徑為r的圓上的點，從點p到點p′ 是梯度下降的方向，則：

由于需要計算每一點到其余各點的梯度輻射分數，計算量巨大，為簡化計算，使算法檢測效率較高，且保證數據之間相對大小不變，令點對點的梯度輻射分數為梯度幅值大小，綜合所有點對一點的單一梯度輻射分數，即為該點梯度輻射分數.點p到點p′ 的輻射分數為點p的梯度幅值，即：

以搜索半徑r在眼部圖像中檢測瞳孔興趣點，即假定瞳孔中心點到瞳孔邊緣距離為r，計算所有點處梯度輻射分數，每一點處的梯度輻射分數等于以該點為圓心，r為半徑的圓上所有點對該點的梯度輻射：

以此方法計算所有點處的梯度輻射分數，其中p是輸入圖像上的點，n是以p為圓心，r為半徑的圓上所有像素點的個數，pi是圓上的點，i∈[1，n]，m(pi，p，r)是點pi對點p的輻射分數.

由于輸入圖像中瞳孔的尺度不同，針對不同半徑，準確檢測到多尺度瞳孔，無需改變圖像尺寸構建圖像金字塔，僅需調整梯度輻射分數檢測半徑，計算不同檢測半徑下的梯度輻射分數的均值，以多尺度梯度輻射分數的均值表示某點的梯度輻射分數，檢測半徑r∈[Rmin，Rmax].

根據式（12）計算得到眼部區域各點的梯度輻射分數，對計算得到的多尺度梯度輻射分數進行均值濾波處理，消除主要由于噪聲引起的異常大值.自相似性分數的分布為[0，1]，對平滑后的多尺度梯度輻射分數進行歸一化處理，以便后續與第一階段自相似性分數相結合確定瞳孔中心，歸一化處理的多尺度梯度輻射分數作為第二階段的結果.

超疏水表面的構建主要是利用了銅和銀兩種金屬的氧化還原電勢([Cu2+/Cu (+0.337)- Ag+/Ag (+0.799 1)])的差異進行第2相金屬沉積。制備過程示意圖如圖1所示。將潔凈的銅塊放入硝酸銀溶液中后，在較短的時間內(10 s～60 s)將銀置換出來，被還原的銀在銅塊表面沉淀并選擇生長。調整反應時間、預處理溫度可以對微觀形貌進行調控。將這種沉積了銀粒子的銅塊放入硫醇溶液中，利用硫醇與銀之間極易鍵和的特點，在表面組裝上一層硫醇分子，以降低表面的自由能從而實現表面超疏水。

按照瞳孔特殊的形狀，利用常規的圓形檢測方法可以檢測瞳孔，但是真實情況下，由于眼瞼閉合遮擋或眼球運動，圖像中可視的瞳孔區域并不一定是正圓，常規的圓形檢測方法對于圓度要求較高，如果參數設置比較嚴苛，可能無法檢測到瞳孔區域，而參數設置比較寬容的情況下可能會檢測到多個圓形區域，誤把其他區域標記為瞳孔區域.對瞳孔區域進一步觀察，發現人眼鞏膜到虹膜區域、虹膜到瞳孔區域，灰度值持續降低，鞏膜和虹膜的邊界處、虹膜和瞳孔的邊界處，梯度特征明顯，因此使用梯度輻射分數方法定位瞳孔比較可行，相較于常規圓檢測方法具有更高的檢測精度.

1.4 定位瞳孔中心計算得到的眼部區域自相似性分數和梯度輻射分數用于最終定位瞳孔中心.將兩個階段計算得到的數據逐點相加，對相加后的數據矩陣進行均值平滑，降低噪聲的影響.最后選擇平滑后的聯合矩陣中的最大值點作為瞳孔中心.圖4 為本文所提方法定位瞳孔的示例，圖4a 為裁剪的眼部圖像，圖4b 為自相似性映射圖，圖4c 為梯度輻射分數，圖4d 為平滑后的聯合分數，圖4e 展示了檢測到的瞳孔中心.

圖4 本方法定位瞳孔的示例Fig.4 An example of locating the pupil using this method

2 實驗及結果

為了驗證本文方法對于低質量圖像瞳孔定位的準確性，在瞳孔檢測常用公共數據集上進行實驗，并與其他文獻方法進行比較分析.

由于現有研究中所使用的數據集受試者大多來自西方地區，虹膜顏色較淺，與瞳孔顏色對比明顯，瞳孔定位較為容易.而對于虹膜顏色較深，與瞳孔對比不明顯的情況，如亞非地區人臉圖像的瞳孔定位，部分基于顏色或形狀特征的方法準確性較差，標記的瞳孔中心偏離瞳孔區域，位于虹膜區域，因此對于黑色或深棕色瞳孔定位難度高于藍綠色瞳孔.現有研究中僅在公共數據集上驗證所提出的方法，或在自制數據集上進行驗證，但是自制數據集受試者為西方人種，忽略了虹膜顏色不同會對瞳孔定位準確率造成影響.現有方法在某些場景可能失效，魯棒性較差，因此本研究在保持低圖像分辨率基礎上，在自制數據集中加入不同于公共數據集的深色虹膜.為驗證本方法對于虹膜顏色的魯棒性，在自制數據集上進行實驗.

2.1 實驗準備瞳孔檢測過程中使用以下自定義參數.用于自相似性計算的最小尺度s=0.05×Weye，最大尺度S=0.15×Weye，Weye為眼部區域的寬度；極性光柵采樣過程中N=round(π×M)，其中round()為四舍五入取整函數；用于梯度輻射分數計算的最小檢測半徑Rmin=0.05×Weye，最大半徑Rmax=0.15×Weye.

由于眼球的不規則運動，瞳孔中心可能在眼眶邊緣，在瞳孔定位任務中計算自相似性不能簡單地丟棄每個方向上的邊界像素.本文采用的辦法并非以截取的眼部圖像作為獨立圖像計算其中所有點的自相似性，而是在整個面部圖像中，僅計算眼部區域的每個點的自相似性，這樣既保證計算的簡單性，同時可以計算邊界像素自相似性，避免可能丟棄真實瞳孔中心的問題.

2.2 公共數據集實驗使用BioID 數據集［14］測試本文所提出的算法.BioID 數據集是瞳孔定位使用最廣泛的數據集之一，由1521 張384×286像素的灰度圖像組成，這些圖像來自23 個受試者在不同時間和地點的正面或偏轉的人臉，因此照明狀況及背景不同，且人臉在圖像中的尺度也不同.BioID 數據集的部分圖像中受試者眼睛閉合，或佩戴眼鏡時瞳孔被眼鏡上的反射光斑遮擋，且圖像分辨率較低，低于普通網絡攝像頭，被認為是困難和真實的數據集，可以有效驗證瞳孔定位方法的魯棒性.

GI4E 數據集［15］由1236 張800×600 像素的彩色圖像組成，這些圖像來自不同照明和背景的室內，通過讓103 個受試者注視屏幕的12 個不同點獲取不同頭部姿態、眼瞼閉合狀態、照明狀況等的圖像.GI4E 數據集被認為是符合真實狀況的數據集.

2.3 評價指標為了驗證本文提出的瞳孔檢測算法的準確性，實驗采用瞳孔檢測領域通用指標歸一化誤差進行評估，以便與現有文獻方法進行對比.這一指標是由Jesorsky et al［16］提出的，使用雙眼瞳孔定位較大的誤差，與真實雙眼瞳孔坐標歐幾里得距離的比，衡量瞳孔定位的精度.歸一化誤差的計算如下所示：

其中，dleft與dright是檢測出的左瞳孔中心和右瞳孔中心坐標與真實坐標之間的歐幾里得距離，w是兩瞳孔中心真實坐標之間的歐幾里得距離.以歸一化誤差為指標，算法檢測準確度與人臉和圖像比例及圖像的大小無關，e≤0.25（內眼角間距的一半）大致對應眼睛中心到眼角的距離，e≤0.10大致對應虹膜區域，e≤0.05 大致對應瞳孔區域.

2.4 公共數據集實驗結果與分析圖5 顯示了本文所提方法在BioID 數據集上的實驗結果（實線），并且與僅使用自相似性方法（點線）和僅使用梯度輻射方法（段線）在BioID 數據集上的表現進行對比.本文提出的方法在歸一化誤差e≤0.05時準確率為94.67%，即94.67%的圖像瞳孔被準確地定位在瞳孔區域，歸一化誤差e≤0.10 時準確率達到99.47%.由圖可見，自相似性分數和梯度輻射分數組合的性能優于僅使用單一分數，可以顯著降低定位的歸一化誤差.在BioID 數據集的表現說明，本文方法對于低分辨率圖像仍能以高準確率定位圖像中瞳孔坐標，且照明狀態、頭部姿態發生變化對結果的影響較小.

圖5 本文算法在BioID 數據集上的實驗結果Fig.5 Experimental results of our algorithm on BioID dataset

圖6 為準確定位BioID 數據集圖像雙眼瞳孔的示例，即使該圖像中受試者眼睛部分閉合，仍能以較小的誤差定位瞳孔中心，歸一化誤差為0.0389.

圖6 BioID 數據集瞳孔定位示例Fig.6 An example of pupil localization in BioID dataset

為了進一步說明本文所提方法的優越性，使用BioID 數據集，以歸一化誤差為衡量指標，與其他文獻中使用的方法進行比較，表1 為不同算法在BioID 數據集上的準確率比較結果.從表1 可以看出，與其他文獻中的方法相比，本文所提方法在BioID 數據集上取得較好的結果，當e≤0.05時，本文方法的準確率優于大多數現有方法，即本文方法定位結果基本在瞳孔區域內，與真實坐標相比沒有明顯偏離.當e≤0.10 時，本文方法的準確率為99.47%，優于文獻［19-21］中的方法，與現有最先進的方法相比沒有明顯區別，說明本文方法的有效性和優越性.

表1 本文方法與其他方法準確率比較（BioID 數據集）Table 1 The accuracy of the proposed method compared with other methods (BioID dataset)

第二部分實驗是為了說明本文方法對彩色面部圖像瞳孔定位的準確性，在GI4E 數據集上進行，并與其他文獻中使用的方法進行對比，表2 顯示了不同算法在GI4E 數據集上的結果.使用本文所提算法，97.09 % 的圖像歸一化誤差e≤0.05，在e≤0.10 的情況下瞳孔定位準確率達到99.51 %，優于現有大多數算法，說明所提出的方法的優越性，對于彩色圖像同樣具有較好的準確性，且在不同光照環境和頭部姿態狀況下，均實現較好的性能，具有較好的魯棒性.

表2 本文方法與其他方法準確率比較（GI4E 數據集）Table 2 The accuracy of the proposed method compared with other methods (GI4E dataset)

2.5 自制數據集實驗結果與分析用于驗證本方法能有效對抗虹膜顏色影響的自制數據集由11 位實驗人員的298 張384×216 像素的彩色圖像組成.自制數據集的圖像在實驗室內獲取，實驗人員性別和體型不同，光照強度、頭部姿態、注視方向可以改變，部分圖像中受試者佩戴眼鏡.圖像分辨率低于大多數常見攝像頭采集圖像的分辨率，用于驗證本文方法能有效定位低分辨率圖像中瞳孔位置，對硬件要求較低.實驗人員均為深色虹膜，用于驗證本方法對深色虹膜人員瞳孔定位的有效性.圖7 展示了自制數據集的部分圖像.為了驗證本文提出的方法對于深色虹膜人員瞳孔定位的準確性，使用本文方法在自制數據集上進行實驗，圖8 為本文方法以及僅單獨使用自相似性方法和僅單獨使用梯度輻射方法在自制數據集上的表現.由圖8 分析可知，使用本文方法定位自制數據集圖像中瞳孔位置，當歸一化誤差e≤0.05 時準確率為98.66 %，e≤0.10 時準確率為100 %，驗證了本文方法不僅可以準確定位淺色虹膜人員的瞳孔，對深色虹膜人員的瞳孔中心定位同樣具有較高的準確率，對于不同虹膜顏色有很好的魯棒性.

圖7 自制數據集部分圖像Fig.7 Partial images from the self-made dataset

圖8 自制數據集實驗結果Fig.8 Experimental results of the self-made dataset

表3 展示了本文方法在自制數據集上不同歸一化誤差時的準確率.

表3 本文方法在自制數據集上的準確率Table 3 The accuracy of the proposed method (selfmade dataset)

3 結論

針對瞳孔定位魯棒性及虹膜顏色影響定位準確率問題，提出一種在包含全臉的圖像中精準定位瞳孔中心的新方法：

（1）通過計算眼部區域各點的自相似性衡量區域的徑向顯著性，提高了對頭部姿態、尺度、照明等變化的魯棒性；

（2）根據瞳孔與周圍區域的梯度關系，計算眼部區域的梯度輻射分數，保證低分辨率圖像的定位準確度，提高對虹膜顏色變化的抗性；

（3）對聯合數據進行均值濾波，在提高方法定位準確性的同時保證了較小的計算量.

在BioID 和GI4E 數據集上進行實驗，當歸一化誤差e≤0.05 時，取得了94.67%（BioID）和97.09%（GI4E）的準確率.自制用于實驗的低分辨率深色虹膜的人臉數據集，為瞳孔定位領域數據集引入虹膜顏色因素，自制數據集的定位準確率為98.66%（e≤0.05），表明本文方法對于虹膜顏色變化具有較高的魯棒性，滿足高精度瞳孔定位的要求.

由于本文方法為減少計算量，基于人臉檢測裁剪出的眼部圖像實現，因此不適用于圖像中不包含整個面部的情況.未來將基于圖像的形狀和紋理進行方法改進，直接粗定位眼部及精定位瞳孔，不依賴整個面部，以適用于圖像中僅包含部分人臉的場景.